روشی نوین در طبقه‌بندی مقاوم به نوفه تصاویر بافتی با استفاده از توصیف چند‌مقیاسه توامان الگوی باینری محلی

نخستین گام در طبقه‌بندی تصاویر بافتی، توصیف بافت با استفاده از استخراج ویژگی‌های تصویری مختلف از آن است. تاکنون روش‌های متعددی برای این موضوع توسعه یافته‌اند که از جمله مشهورترین آن‌ها می‌توان به روش الگوی دودویی محلی اشاره کرد. به‌منظور استخراج اطلاعات بافتی در مقیاس‌های مختلف، روش الگوی باینری محلی را می‌توان در یک چهارچوب چندمقیاسه پیاده‌سازی کرد. در این حالت، بردارهای ویژگی به‌دست‌آمده در سطوح مقیاس مختلف به یکدیگر پیوست می‌شوند تا یک بردار ویژگی برآیند با طول بیشتر را تولید کند؛ اما چنین روشی دو عیب مهم دارد؛ نخست‌این‌که، روش الگوی دودویی محلی به‌شدت نسبت به نوفه حساس و با افزودن نوفه به تصویر بافتی، بردارهای ویژگی به‌دست‌آمده ممکن است به‌شدت تغییر کنند. دوم‌این‌که، با افزایش تعداد مقیاس‌ها، طول بردار ویژگی به‌دست‌آمده نیز افزایش می‌یابد که این امر ضمن کاهش سرعت فرآیند طبقه‌بندی بافت، ممکن است دقت طبقه‌بندی را نیز کاهش دهد. برای رفع و یا کاهش این دو عیب، در این مقاله، روشی مبتنی بر الگوی دودویی محلی چندمقیاسه پیشنهاد می‌شود که از مقاومت بهتری در مقابل نوفه سفید گوسی برخوردار و در عین حال، طول بردار ویژگی تولیدی به‌وسیله آن به‌طوردقیق برابر با طول بردار ویژگی تولیدی به‌وسیله روش اصلی الگوی دودویی محلی در حالت تک‌مقیاسه است. آزمایش‌ها بر روی چهار گروه از پایگاه داده outex انجام شده که آزمایش‌های انجام‌گرفته نشان‌دهنده برتری روش پیشنهادی نسبت به روش‌های موجود مشابه است.

A Novel Noise-Robust Texture Classification Method Using Joint Multiscale LBP

In this paper we describe a novel noiserobust texture classification method using joint multiscale local binary pattern. The first step in texture classification is to describe the texture by extracting different features. So far, several methods have been developed for this topic, one of the most popular ones is Local Binary Pattern (LBP) method and its variants such as Completed Local Binary Pattern, Extended Local Binary Pattern, Local Temporary Pattern, Local Contrast Pattern, etc. In order to extract the features of a texture in different scales, the LBP method can be implemented in a multiscale framework. For this purpose, the extracted feature vectors at different scales are usually concatenated together to produce the final feature vector with a longer length. But such a scheme has two main shortcomings. First, the LBP method is very sensitive to noise, hence by adding noise to a texture image, its feature vectors may change significantly. Second, by increasing the number of the scales, the length of the final feature vector is increased accordingly. This action increases the classification process time, and it may reduce the classification accuracy. To mitigate these shortcomings, this paper presents a method based on multiscale LBP, which has a better resistance against white Gaussian noise, while the length of its final feature vector is equal to the length of the final feature vector produced by the original LBP method. To implement the proposed method, we used 17 circular binary masks that contain 8 directed firstorder masks, 8 directed secondorder masks and 1 undirected mask. These masks have positive and negative weightes and each group of these masks have different radius which after convolution with input image extract features in different scales. Experiments were performed on four test groups of Outex database. Experimental results show that the proposed method is superior to the existing stateoftheart methods. The complexity of proposed method is also analyzed. The results show that in this method, despite obtaining excellent classification accuracy, the complexity of the method has not changed much and even its complexity is less than some of the existing stateoftheart methods.